Capítulo 5 – Variáveis Aleatórias

Contínuas

Prof. Fabrício Maciel Gomes

 Distribuição Uniforme
• Variável aleatória contínua podendo assumir qualquer valores dentro de um
intervalo [a,b] tal que:

1
f ( x)  para a  x  b;
ba
f ( x)  0 para qualquer outro valor.
 Distribuição Uniforme

• Probabilidade da variável assumir um valor num subintervalo

é a mesma para qualquer outro subintervalo de mesmo
comprimento.

ab b  a 2
E( X )  Var ( X ) 
2 12
 Distribuição Exponencial

• Seja um fenômeno de Poisson de parâmetro  (número de sucessos

em um determinado intervalo)

• Seja T o intervalo decorrido entre dois sucessos consecutivos.

• Então T é uma variável aleatória com Distribuição Exponencial, com:

f (t )  et para t  0;

f (t )  0 para t < 0.
 Distribuição Exponencial

F (t )  Pr(T  t )  1  e t Pr(T  t )  e t

t
 Distribuição Exponencial

Exemplo: Um componente eletrônico, de marca “A”,

tem duração de vida que segue uma Distribuição
Exponencial com vida média de 100 horas e um
custo unitário de R$10,00.

Qual a probabilidade de um
componente, de marca “A”, durar
mais de 150 horas?
 Distribuição Exponencial

Seja TA: duração da vida de um componente “A”

Pergunta: Pr(T A  150)  ?

Sabe-se que: Pr(T A  t )  e t

Como a vida média é de 100 horas, então:

1 1
E(TA )   100  
 100
Logo:
150
( )
Pr(T A  150)  e 100
e 1, 5
 0,223
 Distribuição Exponencial

Exemplo: Um componente eletrônico, de marca “A”, tem

duração de vida que segue uma Distribuição Exponencial com
vida média de 100 horas e um custo unitário de R$10,00. A
marca “B”, desse componente eletrônico, tem uma vida média
de 200 horas e um custo de R$15,00. Considere também a
incidência de um custo adicional de R$8,00 se o componente
durar menos de 200 horas, qualquer que seja a marca

Qual a marca mais econômica?

 Distribuição Exponencial

Custo esperado da marca A:

E(C A )  10  Pr(TA  200)  (10  8)  Pr(TA  200) 
 10.e(1 / 100).200  (10  8).(1  e(1 / 100).200 ) 
 10.e2  18(1  e2 )  1,353  15,565  16,918.
Custo esperado da marca B:
E(C B )  15 Pr(TB  200)  (15  8)  Pr(TB  200) 

 15.e(1/ 200).200  23.(1  e(1/ 200).200 ) 

 15.e1  23.(1  e1 )  5,518  14,539  20,057.
Portanto: marca “A” é mais econômica!
 Distribuição Normal ou de Gauss

Definida pela seguinte fdp:

 x 
2

1  1/ 2   
  
f ( x)  e -  < x < +
2
 Distribuição Normal ou de Gauss

Importância prática:
Normal é utilizada na modelagem de
inúmeras variáveis encontradas na realidade

Importância teórica:
• Teorema das Combinações Lineares

• Teorema do Limite Central

 Distribuição Normal ou de Gauss

Teorema das Combinações Lineares:

Se X1, X2, ..., Xn são V.A. com Distr. NORMAL

então
n
X   ai  Xi é V. A. NORMAL
i1

onde: ai são constantes

 Distribuição Normal ou de Gauss

Teorema do Limite Central:

Se X1, X2, ..., Xn são V.A. Independentes,

com Distribuição QUALQUER
então
n
X   ai  Xi é V. A. NORMAL
i1

para n suficientemente grande

 Distribuição Normal ou de Gauss

Como determinar a probabilidade da variável assumir

um valor em dado intervalo [a, b]: P(a < X < b) = ?
- integrar f(x) nesse intervalo (difícil ! )

- utilizar tabelas fazendo a seguinte transformação linear:

X  E( X ) X   X Z: NORMAL REDUZIDA
Z 
DP( X ) X
E(Z )  0
TABELA
f(z)
Var(Z )  1

Pr( X  X  x 0 )  Pr(0  Z  z 0 )
 Distribuição Normal ou de Gauss

Aproximação utilizando a Distr.Normal:

n.p  5
• Distr. BINOMIAL, para n suficientemente grande:
n.q  5
• Distr. POISSON, para: ET )    t  5

• Correção de Continuidade devido aprox. Distr. discreta pela

Distr.Normal (contínua):

 1 1
Pr( X  k )  Pr  k   X  k  
 2 2

 1 1
Pr( K 1  X  k 2 )  Pr  k 1   X  k 2  
 2 2
Distribuição Normal ou de Gauss

Z  0 X  X
Z
 1
2
Z
X
 Distribuição Normal ou de Gauss

Exemplo: Uma companhia embala em cada caixa 5 pires e 5 xícaras. Os pesos

dos pires distribuem-se normalmente com média de 190 g e variância 100 g2. Os
pesos das xícaras também são normais com média 170 g e variância 150 g2. O
peso da embalagem é praticamente constante, igual a 100g.

Qual a probabilidade da caixa pesar menos de 2000 g?

X = peso da xícaras
Y = peso do pires
W = peso da embalagem
C = peso da caixa completa
 P(C<2000)=?

 
5 5

C W  Xi  Yi
i 1 i 1
 Distribuição Normal ou de Gauss

 
5 5

E C   E W   E Xi  E Yi
i 1 i 1

EC   EW   5  E X   5  EY   100  5 170  5 190  1900

Considerando X e Y variáveis aleatórias INDEPENDENTES, tem-se:

 
5 5

Var C   Var E   Var  X i   Var Yi  

i 1 i 1

 VarE   5 Var X   5 Var(Y )  0  5 150  5 100  1250

 Distribuição Normal ou de Gauss

X  E (C ) 2000  1900
Z z2000   2,83
DP(C ) 1250
PrC  2000  Pr(C  1900)  Pr(1900  C  2000)
PrC  1900  Pr(Z  0)  0,5  por simetria

Pr1900  C  2000  Pr0  Z  2,83  0,4977  tabela

PrC  2000  0,5  0,4977  0,9977